1. CONTRASTE DE AMBOS METODOS
1.1. Se enfoca en problemas donde existe incertidumbre o variabilidad en los datos.
1.1.1. Ejemplo: Optimizar la producción de una fábrica considerando la demanda aleatoria de productos.
1.2. Se aplica a problemas complejos donde encontrar la solución óptima es computacionalmente costoso o incluso imposible
1.2.1. Ejemplo: Resolver el problema del vendedor viajero para encontrar la ruta más corta que visite todas las ciudades.
2. APLICACIONES
2.1. Ingenieria
2.1.1. Diseño de productos, optimización de procesos, planificación de la producción.
2.2. Finanzas
2.2.1. Optimización de portafolios, valoración de opciones, gestión de riesgos.
2.3. Inteligencia Artificial:
2.3.1. Aprendizaje automático, visión por computadora, procesamiento del lenguaje natural.
2.4. Ciencias de la Computación
2.4.1. Resolución de problemas NP-completos, diseño de algoritmos eficientes.
3. OPTIMIZACION ESTOCASTICA
3.1. Relacionada con eventos aleatorios y probabilidades.
3.1.1. Técnicas Estocasticas
3.1.1.1. Simulación de Monte Carlo:
3.1.1.1.1. Método de Monte Carlo por Cadena de Markov
3.1.1.1.2. Método de Monte Carlo por Importancia
3.1.1.2. Cadenas de Markov:
3.1.1.2.1. La característica principal de una cadena de Markov es que la probabilidad de que el sistema se encuentre en un estado particular en el futuro solo depende de su estado actual y no de su historia pasada.
3.1.1.3. Procesos Estocásticos:
3.1.1.3.1. Procesos de Poisson Movimiento Browniano
3.1.1.4. Optimización Bayesiana
3.1.1.4.1. técnica de optimización secuencial que se utiliza para encontrar el máximo o mínimo de una función objetivo
4. OPTIMIZACION HEURISTICA
4.1. Métodos que buscan soluciones aproximadas a problemas complejos de manera eficiente,
4.1.1. Técnicas Heurísticas
4.1.1.1. Búsqueda Local:
4.1.1.2. Metaheurísticas:
4.1.1.2.1. Algoritmos Hormiga Búsqueda Tabú
4.1.1.3. Algoritmos Genéticos: